深層分離畳み込みと転移学習を用いた軸受故障診断のための軽量ニューラルネットワークとカラーノイズ対策

科学分野:

• 工学
• 人工知能
• 機械学習

背景:

• 実際の軸受故障診断は、ノイズ、性能低下、低速などの課題に直面している。
• 既存の手法では、実世界の条件や効率性への対応が難しい場合がある。

研究 の 目的:

• 効率的で耐ノイズ性の高い軽量ニューラルネットワークモデルを軸受故障診断のために開発すること。
• これらのモデルの診断能力と転移学習能力を、様々な条件下で評価すること。

主な方法:

• デプスワイズ分離可能な畳み込みを使用した3つの軽量深層畳み込みニューラルネットワークモデル（MobileNet-DLCNN、ShuffleNet-DLCNN、SqueezeNet-DLCNN）を開発した。
• カラーノイズを軸受故障データセット（CWRU、MFPT）に追加し、耐ノイズ性トレーニングを行った。
• 診断精度、速度、転移学習の適応性を評価するために、比較実験を行った。

主要な成果:

• 提案手法であるSqueezeNet-DLCNNは、約1分で97%の診断精度を達成し、最高の診断性能を示した。
• 提案した軽量モデルは、カラーノイズに対する強い耐性と、異なるデータセットや作業条件への適応性を示した。
• 3つのモデルすべてが、ベースライン手法と比較して、耐ノイズ性、効率性、速度において利点を示した。

結論:

• 軽量深層畳み込みニューラルネットワーク、特にSqueezeNet-DLCNNは、効率的かつ正確な軸受故障診断のための有望なソリューションを提供する。
• 開発されたモデルは、ノイズ干渉に対して堅牢であり、多様な運用シナリオに適応可能である。
• 本研究の結果は、高速で信頼性の高い故障検出を必要とする実用的な工学アプリケーションにおけるこれらのモデルの可能性を強調している。